KR20220124523A - 전자 장치 및 이의 제어 방법 - Google Patents

Abstract

전자 장치 및 이의 제어 방법이 개시된다. 본 개시에 따른 제어 방법은 제1 언어의 제1 질의 텍스트가 획득되면, 제1 질의 텍스트를 제2 언어로 번역하여 제2 언어의 제2 질의 텍스트를 획득하는 단계; 획득된 제2 질의 텍스트를 외부 장치로 전송하는 단계; 외부 장치로부터 제2 질의 텍스트에 대응되는 제2 언어의 제1 응답 텍스트를 획득하는 단계; 질의 응답 매칭 여부를 식별하는 신경망 모델에 제1 응답 텍스트를 제1 언어로 번역한 제2 응답 텍스트와 제1 질의 텍스트를 입력하여 제1 질의 텍스트와 제2 응답 텍스트의 질의 응답 매칭 여부를 식별하는 단계; 및 식별 결과 제1 질의 텍스트와 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 제1 질의 텍스트를 재번역하여 제2 언어의 제3 질의 텍스트를 획득하는 단계;를 포함한다.

Description

전자 장치 및 이의 제어 방법{An electronic apparatus and Method for controlling electronic apparatus thereof}

본 개시는 전자 장치 및 이의 제어 방법에 관한 것으로, 보다 상세하게는 질의 텍스트에 대한 응답 텍스트를 바탕으로, 질의 텍스트에 대한 재번역을 수행하는 전자 장치 및 이의 제어 방법에 관한 것이다.

최근 인공지능 시스템이 다양한 분야에서 이용되고 있다. 특히, 인공지능 시스템은 다양한 언어를 번역하는 분야에서도 널리 이용되고 있다.

그리고, 종래에는 제1 언어의 사용자와 제2 언어의 사용자간의 대화를 수행하는 대화 시스템이 존재하였다. 즉, 종래의 대화 시스템은 제1 언어를 제2 언어로 번역하는 번역 모델 및 제2 언어를 제1 언어로 번역하는 번역 모델을 이용하여 서로 다른 언어의 사용자간의 대화가 가능하도록 하는 서비스를 제공하였다.

다만, 종래에는 번역 모델을 통한 제1 언어의 질의에 대한 번역 결과가 질의자의 의도에 부합하지 않은 경우, 응답자는 질의자의 질의 의도와 상이한 응답을 하게 되는 문제점이 존재하였다.

본 개시는 상술한 문제점을 해결하기 위해 안출된 것으로, 본 개시의 목적은 질의에 대한 응답을 바탕으로 질의에 대한 재번역을 수행하는 전자 장치 및 이의 제어 방법을 제공함에 있다.

상기 목적을 달성하기 위한 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법은 제1 언어의 제1 질의 텍스트가 획득되면, 상기 제1 질의 텍스트를 제2 언어로 번역하여 상기 제2 언어의 제2 질의 텍스트를 획득하는 단계; 상기 획득된 제2 질의 텍스트를 외부 장치로 전송하는 단계; 상기 외부 장치로부터 상기 제2 질의 텍스트에 대응되는 상기 제2 언어의 제1 응답 텍스트를 획득하는 단계; 질의 응답 매칭 여부를 식별하는 신경망 모델에 상기 제1 응답 텍스트를 상기 제1 언어로 번역한 제2 응답 텍스트와 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트와 상기 제2 응답 텍스트의 질의 응답 매칭 여부를 식별하는 단계; 및 상기 식별 결과 상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트를 재번역하여 상기 제2 언어의 제3 질의 텍스트를 획득하는 단계;를 포함한다.

그리고, 상기 제3 질의 텍스트를 획득하는 단계는, 상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하는 단계; 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 상이한 경우, 상기 제1 질의 개수에 대응되는 질의 개수를 바탕으로 상기 제1 질의 텍스트를 구분한 상기 제1 언어의 제4 질의 텍스트를 획득하는 단계; 및 상기 제4 질의 텍스트를 상기 제2 언어로 번역하여, 상기 제3 질의 텍스트를 획득하는 단계;를 포함할 수 있다.

그리고, 상기 질의 개수를 각각 식별하는 단계는, 질의 개수를 식별하기 위한 신경망 모델에 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트 각각을 입력하여, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하는 단계이며, 상기 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트의 질의 개수를 출력 데이터로 설정하여 학습되는 것을 특징으로 할 수 있다.

그리고, 상기 제1 질의 텍스트를 구분한 상기 제1 언어의 제4 질의 텍스트를 획득하는 단계는, 질의 텍스트를 질의 개수에 대응되도록 문장을 구분하는 문장 구분 모델에 상기 제1 질의 텍스트를 입력하여, 상기 제1 언어의 제4 질의 텍스트를 획득하는 단계이며, 상기 문장 구분 모델은 제1 언어의 학습 질의 텍스트 및 해당 학습 질의 텍스트의 질의 개수 정보를 입력 데이터로, 상기 학습 질의 텍스트의 질의 개수에 대응되도록 구분된 제1 언어의 학습 질의 텍스트를 출력 데이터로 설정하여 학습되는 것을 특징으로 할 수 있다.

그리고, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 상기 제1 질의 텍스트를 상기 제2 언어로 번역하여 상기 제2 질의 텍스트와 상이한 상기 제2 언어의 제3 질의 텍스트를 획득하는 단계;를 더 포함하며, 상기 제3 질의 텍스트는 상기 제2 질의 텍스트의 후순위 번역 결과일 수 있다.

그리고, 상기 제2 언어의 제2 질의 텍스트를 획득하는 단계는 제1 언어를 제2 언어로 번역하기 위한 제1 번역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제2 언어의 제2 질의 텍스트를 획득하는 단계이며, 상기 제2 질의 텍스트는 상기 제1 번역 모델의 최선순위 번역 결과이며, 상기 제3 질의 텍스트는 상기 제1 번역 모델의 후순위 번역 결과인 것을 특징으로 할 수 있다.

그리고, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 질의 텍스트를 재생성하기 위한 의역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트를 의역한 상기 제1 언어의 제5 질의 텍스트를 획득하는 단계; 및 상기 제5 질의 텍스트를 상기 제2 언어로 번역한 상기 제3 질의 텍스트를 획득하는 단계;를 더 포함할 수 있다.

그리고, 상기 의역 모델은 제1 언어의 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트와 질의 의도가 동일한 제1 언어의 텍스트를 출력 텍스트로 설정하여 학습이 수행될 수 있다.

그리고, 상기 외부 장치로 전송하는 단계는, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트를 디스플레이 상에 표시하는 단계;를 더 포함하며, 상기 제1 응답 텍스트를 획득하는 단계는, 상기 외부 장치로부터 상기 제1 응답 텍스트가 획득되면, 상기 디스플레이 상에 상기 제1 응답 텍스트 및 상기 제2 응답 텍스트를 표시하는 단계;를 더 포함하며, 상기 제2 언어의 제3 질의 텍스트를 획득하는 단계는, 상기 제3 질의 텍스트를 디스플레이 상에 표시하는 단계;를 더 포함할 수 있다.

한편, 본 개시의 일 실시 예에 따른, 전자 장치는 통신 인터페이스; 적어도 하나의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 적어도 하나의 인스트럭션을 실행하여 상기 전자 장치를 제어하는 프로세서;를 포함하고, 상기 프로세서는, 제1 언어의 제1 질의 텍스트가 획득되면, 상기 제1 질의 텍스트를 제2 언어로 번역하여 상기 제2 언어의 제2 질의 텍스트를 획득하고, 상기 획득된 제2 질의 텍스트를 외부 장치로 전송하도록 상기 통신 인터페이스를 제어하고, 상기 외부 장치로부터 상기 제2 질의 텍스트에 대응되는 상기 제2 언어의 제1 응답 텍스트를 수신하도록 상기 통신 인터페이스를 제어하고, 질의 응답 매칭 여부를 식별하는 신경망 모델에 상기 제1 응답 텍스트를 상기 제1 언어로 번역한 제2 응답 텍스트와 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트와 상기 제2 응답 텍스트의 질의 응답 매칭 여부를 식별하고, 상기 식별 결과 상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트를 재번역하여 상기 제2 언어의 제3 질의 텍스트를 획득한다.

그리고, 상기 프로세서는, 상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하고, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 상이한 경우, 상기 제1 질의 개수에 대응되는 질의 개수를 바탕으로 상기 제1 질의 텍스트를 구분한 상기 제1 언어의 제4 질의 텍스트를 획득하고, 상기 제4 질의 텍스트를 상기 제2 언어로 번역하여, 상기 제3 질의 텍스트를 획득할 수 있다.

그리고, 상기 프로세서는, 질의 개수를 식별하기 위한 신경망 모델에 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트 각각을 입력하여, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하고, 상기 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트의 질의 개수를 출력 데이터로 설정하여 학습될 수 있다.

그리고, 상기 프로세서는, 질의 텍스트를 질의 개수에 대응되도록 문장을 구분하는 문장 구분 모델에 상기 제1 질의 텍스트를 입력하여, 상기 제1 언어의 제4 질의 텍스트를 획득하고, 상기 문장 구분 모델은 제1 언어의 학습 질의 텍스트 및 해당 학습 질의 텍스트의 질의 개수 정보를 입력 데이터로, 상기 학습 질의 텍스트의 질의 개수에 대응되도록 구분된 제1 언어의 학습 질의 텍스트를 출력 데이터로 설정하여 학습되는 것을 특징으로 할 수 있다.

그리고, 상기 프로세서는, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 상기 제1 질의 텍스트를 상기 제2 언어로 번역하여 상기 제2 질의 텍스트와 상이한 상기 제2 언어의 제3 질의 텍스트를 획득하고, 상기 제3 질의 텍스트는 상기 제2 질의 텍스트의 후순위 번역 결과일 수 있다.

그리고, 상기 프로세서는, 제1 언어를 제2 언어로 번역하기 위한 제1 번역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제2 언어의 제2 질의 텍스트를 획득하고, 상기 제2 질의 텍스트는 상기 제1 번역 모델의 최선순위 번역 결과이며, 상기 제3 질의 텍스트는 상기 제1 번역 모델의 후순위 번역 결과인 것을 특징으로 할 수 있다.

그리고, 상기 프로세서는, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 질의 텍스트를 재생성하기 위한 의역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트를 의역한 상기 제1 언어의 제5 질의 텍스트를 획득하고, 상기 제5 질의 텍스트를 상기 제2 언어로 번역한 상기 제3 질의 텍스트를 획득할 수 있다.

그리고, 상기 의역 모델은 제1 언어의 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트와 질의 의도가 동일한 제1 언어의 텍스트를 출력 텍스트로 설정하여 학습이 수행되는 것을 특징으로 할 수 있다.

그리고, 전자 장치는 디스플레이;를 더 포함하며, 상기 프로세서는, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트를 디스플레이 상에 표시하도록 상기 디스플레이를 제어하고, 상기 외부 장치로부터 상기 제1 응답 텍스트가 획득되면, 상기 제1 응답 텍스트 및 상기 제2 응답 텍스트를 상기 디스플레이 상에 표시하도록 상기 디스플레이를 제어하고, 상기 제3 질의 텍스트가 획득되면, 상기 제3 질의 텍스트를 디스플레이 상에 표시하도록 상기 디스플레이를 제어할 수 있다.

상술한 실시 예들을 통해, 전자 장치는 질의에 대한 응답이 매칭되는지 여부에 따라 질의에 대한 재 번역을 수행하여 제공함으로, 번역의 정확도를 향상시킬 수 있다.

도 1은 본 개시에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.
도 2는 종래의 번역 기술을 이용한 대화 시스템을 설명하기 위한 도면이다.
도 3은 종래의 번역 기술을 이용한 대화 시스템을 설명하기 위한 도면이다.
도 4는 본 개시에 따른 제1 질의 텍스트와 제2 응답 텍스트가 매칭되는지 여부를 식별하는 실시 예를 도시한 도면이다.
도 5a는 본 개시에 따른 문장 구분 모델을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.
도 5b는 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제공하는 방법을 도시한 도면이다.
도 6는 본 개시에 따른 제1 질의 텍스트와 제2 응답 텍스트가 매칭되는지 여부를 식별하는 실시 예를 도시한 도면이다.
도 7a는 본 개시에 따른 제3 번역 모델을 이용하여 제2 질의 텍스트와 상이한 질의 텍스트를 제공하는 과정을 설명하기 위한 도면이다.
도 7b는 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제공하는 방법을 도시한 도면이다.
도 8a는 본 개시에 따른 의역 모델을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.
도 8b는 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제공하는 방법을 도시한 도면이다.
도 9a는 본 개시의 일 실시 예에 따른, 두 개의 질의를 포함하는 질의 텍스트에 대한 하나의 응답을 포함하는 응답 텍스트를 나타내는 도면이다.
도 9b는 본 개시의 일 실시 예에 따른, 응답 텍스트를 바탕으로 질의 텍스트에 대한 재번역을 수행하는 실시 예를 나타내는 도면이다.
도 10은 본 개시의 일 실시 예에 따른, 전자 장치와 외부 장치간의 동작을 설명하기 위한 시퀀스도이다.
도 11은 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제3 질의 텍스트를 획득하는 과정을 설명하기 위한 흐름도이다.
도 12는 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

이하에서는, 첨부된 도면을 통해 본 개시를 상세히 설명한다.

도 1은 본 개시에 따른 전자 장치의 구성을 설명하기 위한 블록도이다.

도 1을 참조하면, 전자 장치(100)는 입력 인터페이스(110), 통신 인터페이스(120), 디스플레이(130), 메모리(140) 및 프로세서(150)를 포함할 수 있다. 본 개시에 따른, 전자 장치(100)는 스마트 폰, AR 글래스, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, TV, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 스마트 워치와 같은 다양한 형태의 전자 장치로 구현될 수 있다.

입력 인터페이스(110)는 전자 장치(100) 사용자의 입력을 수신하기 위한 구성이다. 일 예로, 입력 인터페이스(110)는 사용자 입력을 수신하기 위한 물리 버튼을 포함하거나, 사용자의 터치를 감지하는 터치 스크린 형태로 구현될 수 있다. 일 예로, 사용자에 의해 물리 버튼이 터치 되면, 입력 인터페이스(110)는 해당 물리 버튼에 대응되는 사용자 입력을 수신할 수 있다. 또한 일 예로, 사용자에 의해 터치 스크린이 터치 되면, 입력 인터페이스(110)는 사용자 입력을 수신할 수 있다.

또한, 입력 인터페이스(110)는 사용자의 음성을 인식하기 위한 음성 인식 센서를 더 포함할 수 있다. 일 예로, 음성 인식 센서는 마이크를 포함하고 입력 인터페이스(110)는 마이크로부터 사용자 음성을 수신함으로 사용자 입력을 수신할 수 있다. 다만, 상술한 예에 한정되지 않고, 입력 인터페이스(110)는 사용자와 상호작용하여 사용자의 입력을 수신할 수 있는 다양한 구성을 포함할 수 있다.

통신 인터페이스(120)는 외부 장치와 통신을 수행하기 위한 구성이다. 한편, 통신 인터페이스(120)가 외부 장치와 통신 연결되는 것은 제3 기기(예로, 중계기, 허브, 액세스 포인트, 서버 또는 게이트웨이 등)를 거쳐서 통신하는 것을 포함할 수 있다.

본 개시의 일 실시 예로, 통신 인터페이스(120)는 제1 언어의 제1 질의 텍스트가 번역된 제2 언어의 제2 질의 텍스트를 외부 장치로 전송하고, 외부 장치로부터 제2 질의 텍스트에 대응되는 제2 언어의 제1 응답 텍스트를 획득할 수 있다. 여기서, 외부 장치는 태플릿 PC, 웨어러블 장치, TV, 스마트 폰 등과 같은 전자 장치 또는 외부 서버로 구현될 수 있다.

통신 인터페이스(120)는 무선 통신 또는 유선 통신을 통해 외부 장치와 통신을 수행할 수 있다. 일 실시 예로, 무선 통신은, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 일 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 무선 통신 또는 유선 통신이 수행되는 네트워크는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.

디스플레이(130)는 프로세서(150)의 제어에 따라 다양한 정보를 표시할 수 있다. 디스플레이(130)는 LCD(Liquid Crystal Display Panel), LED(light emitting diode), OLED(Organic Light Emitting Diodes), LCoS(Liquid Crystal on Silicon), DLP(Digital Light Processing) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 또한, 디스플레이(130) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다.

또한, 디스플레이(130)는 터치 패널과 함께 결합되어 터치 스크린으로 구현될 수도 있다. 다만, 이는 일 실시 예일 뿐이며, 디스플레이(130)는 다양하게 구현될 수 있다.

특히, 디스플레이(130)는 질의 텍스트 및 외부 장치로부터 수신되는 질의 텍스트에 대응되는 응답 텍스트를 디스플레이(130) 상에 표시할 수 있다. 또한, 이하에서 후술하듯이, 질의 텍스트에 대응되는 응답 텍스트를 바탕으로, 질의 텍스트를 재 번역한 텍스트를 디스플레이(130) 상에 표시할 수 있다.

메모리(140)는 전자 장치(100)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 구체적으로, 메모리(140)에는 적어도 하나의 명령어가 저장될 수 있다. 프로세서(150)는 메모리(140)에 저장된 명령어를 실행함으로써 전자 장치(100)의 동작을 수행할 수 있다.

메모리(140)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(140)는 프로세서(150)에 의해 액세스되며, 프로세서(150)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다. 본 개시에서 메모리라는 용어는 메모리(140), 프로세서(150) 내 롬(미도시), 램(미도시) 또는 전자 장치(100)에 장착되는 메모리 카드(미도시)(예를 들어, micro SD 카드, 메모리 스틱)를 포함할 수 있다. 또한, 메모리(140)에는 디스플레이의 디스플레이 영역에 표시될 각종 화면을 구성하기 위한 프로그램 및 데이터 등이 저장될 수 있다.

프로세서(150)는 메모리(140)와 전기적으로 연결되어 전자 장치(100)의 전반적인 동작 및 기능을 제어할 수 있다.

프로세서(150)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU(Central Processing Unit), AP(application processor) 등과 같은 범용 프로세서, GPU(Graphics Processing Unit). VPU(Visual Processing Unit) 등과 같은 그래픽 전용 프로세서 또는 NPU(Neural Processing Unit) 와 같은 인공지능 전용 프로세서일 수 있다.

하나 또는 복수의 프로세서는, 메모리(140)에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 다수의 학습 데이터들에 학습 알고리즘을 적용함으로써, 원하는 특성의 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버/시스템을 통해 이루어 질 수도 있다.

인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 각 레이어는 복수의 가중치(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치의 연산을 통해 레이어의 연산을 수행한다. 신경망의 예로는, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 및 심층 Q-네트워크 (Deep Q-Networks)이 있으며, 본 개시에서의 신경망은 명시한 경우를 제외하고 전술한 예에 한정되지 않는다.

프로세서(150)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(150)에 연결된 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 또한, 프로세서(150)는 다른 구성요소들 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 다양한 데이터를 비휘발성 메모리에 저장할 수 있다.

종래에는 질의자의 의도와 상이하게 질의 텍스트가 번역된 경우, 응답자는 질의자의 질의 의도와 맞지않는 응답 텍스트를 제공하는 문제점이 존재하였다.

일 예로, 도 2를 참조하면, 전자 장치(100)는 제1 언어의 “영화 해리포터와 책 해리포터 어때?”의 질의 텍스트를 제2 언어의 “How about Harry Potter and the book Harry Potter?”의 질의 텍스트로 번역하여 제공할 수 있다. 도 2는 종래의 번역 기술을 이용한 대화 시스템을 설명하기 위한 도면이다. 그리고, 전자 장치(100)는 외부 장치로부터 제2 언어의 “The book is interesting.“의 응답 텍스트를 획득할 수 있다. 즉, 종래에는 도 2와 같이 제1 언어의 질의 텍스트의 질의 개수는 2개이나, 번역 과정에서 질의 개수가 하나인 경우로 번역되어 하나의 질의에 대한 응답 텍스트만 획득될 수 있었다.

일 예로, 도 3을 참조하면, 전자 장치(100)는 제1 언어의 “영화 해리포터 어때?”의 질의 텍스트를 제2 언어의 “Shall we go to see a Harry Potter?“의 질의 텍스트로 번역하여 제공할 수 있다. 도 3는 종래의 번역 기술을 이용한 대화 시스템을 설명하기 위한 도면이다. 그리고, 전자 장치(100)는 외부 장치로부터 제2 언어의 “I've seen that movie“의 응답 텍스트를 획득할 수 있다. 즉, 종래에는 도 3과 같이 번역과정에서 제1 언어의 질의 텍스트의 질의 의도와 상이하게 번역이 수행되어 질의 의도와 상이한 응답 텍스트가 획득될 수 있었다.

이에 따라, 본 개시에 따른 전자 장치(100)는 질의 텍스트에 대응되는 응답 텍스트를 바탕으로 질의 텍스트를 재번역 하는 재번역 기능을 제공할 수 있다. 본 개시에 따른 재번역 기능은 도 1에 도시된 바와 같이, 질의 획득 모듈(1000), 번역 모듈(2000), 응답 획득 모듈(3000), 질의 응답 매칭 모듈(4000) 및 질의 재번역 모듈(5000)을 통해 구현될 수 있으며, 각각의 모듈들은 메모리(140)에 저장될 수 있다. 일 예로, 전자 장치(100)는 제1 언어의 사용자와 제2 언어의 사용자간의 대화를 수행하게 하는 대화 시스템 기능이 실행되는 경우, 본 개시에 따른 재번역 기능을 실행시킬 수 있다.

재번역 기능이 실행되면, 복수의 모듈(1000 내지 5000)들이 프로세서(150)에 포함된 메모리(예로, 휘발성 메모리)에 로딩될 수 있다. 즉, 재번역 기능이 실행되면, 프로세서(150)는 복수의 모듈(1000 내지 5000)들을 비휘발성 메모리에서 휘발성 메모리로 로딩하여 복수의 모듈(1000 내지 5000)의 각 기능들을 실행할 수 있다. 로딩(loading)이란, 프로세서(150)가 액세스할 수 있도록 비휘발성 메모리에 저장된 데이터를 휘발성 메모리에 불러들여 저장하는 동작을 의미한다.

본 개시에 따른 일 실시 예로, 도 1에 도시된 바와 같이 메모리(140)에 저장된 복수의 모듈(1000 내지 5000)을 통해 재번역 기능이 구현될 수 있으나, 이에 한정되지 않고 재번역 기능이 외부 서버에서 구현될 수 있다.

본 개시에 따른 복수의 모듈(1000 내지 5000)은 각각의 소프트웨어로 구현될 수 있으나, 이에 한정되지 않고 일부 모듈은 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또 다른 실시 예로, 복수의 모듈(1000 내지 5000)은 하나의 소프트웨어로 구현될 수 있다. 또한, 일부 모듈은 전자 장치(100) 내에서 구현되고, 다른 일부 모듈은 외부 서버에서 구현될 수 있다.

질의 획득 모듈(1000)은 질의 텍스트를 획득하기 위한 구성이다. 구체적으로, 질의 획득 모듈(1000)은 입력 인터페이스(110)를 통해 제1 언어의 텍스트를 획득할 수 있다. 즉, 앞서 상술한 바와 같이, 질의 획득 모듈(1000)은 터치 스크린에 대한 사용자 입력 또는 사용자의 음성 입력을 통해 제1 언어의 텍스트를 획득할 수 있다.

그리고, 제1 언어의 텍스트가 획득되면, 질의 획득 모듈(1000)은 해당 텍스트가 질의 텍스트인지 여부를 식별할 수 있다. 일 예로, 질의 획득 모듈(1000)은 텍스트에 질의를 포함하고 있는지 식별하기 위한 질의 식별 모델을 통해, 텍스트가 질의 텍스트인지 여부를 식별할 수 있다. 일 예로, 질의 식별 모델이 신경망 모델로 구현될 수 있으며, 제1 언어의 타겟 텍스트에 질의를 포함하는지 여부가 라벨링된 학습 데이터를 통해 학습이 수행될 수 있다. 다만, 본 개시는 이에 한정되지 않고, 텍스트가 질의 텍스트인지 여부를 식별할 수 있는 다양한 알고리즘에 의해 질의 텍스트 여부를 식별할 수 있다. 제1 언어의 텍스트가 질의 텍스트인 것으로 식별되면, 질의 획득 모듈(1000)은 해당 텍스트를 제1 질의 텍스트로 식별할 수 있다.

일 실시 예로, 텍스트가 질의 텍스트로 식별되면, 질의 획득 모듈(1000)은 식별된 질의 텍스트를 메모리(140)의 Question DB에 저장할 수 있다. 본 개시에 따른 Question DB는 질의 텍스트 및 질의 텍스트에 대응되는 응답 텍스트를 매칭시키기 위한 DB(Data Base)일 수 있다.

그리고, 질의 획득 모듈(1000)은 제1 언어의 제1 질의 텍스트를 번역 모듈(2000)에 제공할 수 있다.

번역 모듈(2000)은 제1 언어의 텍스트를 제2 언어로 번역하고, 제2 언어의 텍스트를 제1 언어로 번역하기 위한 구성이다.

질의 획득 모듈(1000)을 통해 제1 언어의 제1 질의 텍스트가 획득되면, 번역 모듈(2000)은 제1 언어를 제2 언어로 번역을 수행하기 위한 제1 번역 모델(2100)에 제1 언어의 제1 질의 텍스트를 입력하여, 제2 언어의 제2 질의 텍스트를 획득할 수 있다. 본 개시에 따른, 제1 번역 모델(2100)은 제1 언어의 텍스트가 입력되면, 제1 언어가 제2 언어로 번역된 결과를 출력하기 위한 신경망 기계 번역(Neural Machine Translation, NMT) 모델로 구현될 수 있다. 구체적으로, 제1 번역 모델(2100)은 복수의 제1 언어의 텍스트를 입력 데이터로, 입력된 데이터에 대한 제2 언어의 번역 텍스트를 출력 데이터로 하여 학습이 수행될 수 있다.

일 실시 예로, 제2 질의 텍스트가 획득되면, 프로세서(150)는 제2 질의 텍스트를 제1 질의 텍스트와 매칭시켜 Question DB에 저장할 수 있다.

그리고, 프로세서(150)는 번역 모듈(2000)을 통해 획득한 제2 언어의 제2 질의 텍스트를 통신 인터페이스(120)를 통해 외부 장치로 전송할 수 있다. 그리고, 후술할 응답 획득 모듈(3000)에서 통신 인터페이스(120)를 통해 외부 장치로부터 제2 질의 텍스트에 대응되는 제2 언어의 제1 응답 텍스트가 획득될 수 있다.

응답 획득 모듈(3000)을 통해 제2 질의 텍스트에 대응되는 제2 언어의 제1 응답 텍스트가 획득되면, 번역 모듈(2000)은 제2 언어 텍스트를 제1 언어 텍스트로 번역하기 위한 제2 번역 모델(2200)에 제2 언어의 제1 응답 텍스트를 입력하여, 제1 언어의 제2 응답 텍스트를 획득할 수 있다. 본 개시에 따른, 제2 번역 모델(2200)은 제2 언어의 텍스트가 입력되면, 제2 언어가 제1 언어로 번역된 결과를 출력하기 위한 신경망 기계 번역(Neural Machine Translation, NMT) 모델로 구현될 수 있다. 구체적으로, 제2 번역 모델(2200)은 복수의 제2 언어의 텍스트를 입력 데이터로, 입력된 데이터에 대한 제1 언어의 번역 텍스트를 출력 데이터로 하여 학습이 수행될 수 있다.

그리고, 제2 번역 모델(2200)을 통해 제1 언어의 제2 응답 텍스트가 획득되면, 번역 모듈(2000)은 제1 질의 텍스트 및 제2 응답 텍스트를 질의 응답 매칭 모듈(4000)에 제공할 수 있다.

응답 획득 모듈(3000)은, 질의 텍스트에 대응되는 응답 텍스트를 획득하기 위한 구성이다. 구체적으로, 응답 획득 모듈(3000)은 통신 인터페이스(120)를 통해 제2 언어의 제2 질의 텍스트에 대응되는 제2 언어의 제1 응답 텍스트를 획득할 수 있다.

즉, 응답 획득 모듈(3000)은 통신 인터페이스(120)를 통해 제2 언어의 텍스트를 획득하고, 획득된 텍스트가 제2 질의 텍스트에 대응되는 제1 응답 텍스트인지 여부를 식별할 수 있다.

일 예로, 응답 획득 모듈(3000)은 통신 인터페이스(120)를 통해 획득된 제2 언어의 텍스트 중 메모리(140)의 Question DB에 저장된 제1 및 제2 질의 텍스트에 대응되는 제1 응답 텍스트를 식별할 수 있다. 그리고, 제1 및 제2 질의 텍스트 및 제1 및 제2 질의 텍스트에 대응되는 제1 응답 텍스트를 함께 매칭하여 Question DB에 저장할 수 있다. 일 예로, 제2 질의 텍스트를 전송한 외부 장치로부터 텍스트가 획득되면, 응답 획득 모듈(3000)은 해당 텍스트를 제1 및 제2 질의 텍스트에 대응되는 제1 응답 텍스트로 식별할 수 있다.

제2 질의 텍스트에 대응되는 제1 응답 텍스트가 식별되면, 응답 획득 모듈(3000)은 제2 언어의 제1 응답 텍스트를 번역 모듈(2000)에 제공할 수 있다. 그리고, 상술한 바와 같이 번역 모듈(2000)은 제1 응답 텍스트를 제2 번역 모델(2200)을 통해 번역하여 제1 언어의 제2 응답 텍스트를 획득할 수 있다.

질의 응답 매칭 모듈(4000)은 제1 질의 텍스트의 질의와 제2 응답 텍스트의 응답이 매칭되는지 여부를 식별하기 위한 구성이다.

구체적으로, 질의 응답 매칭 모듈(4000)은 질의 응답 매칭 여부를 식별하는 질의 응답 매칭 모델(4100)을 이용하여, 제1 질의 텍스트의 질의와 제2 응답 텍스트의 응답이 매칭되는지 여부를 식별할 수 있다. 질의 응답 매칭 모델(4100)은 질의 텍스트 및 응답 텍스트를 함께 입력 받아, 질의에 대한 응답이 매칭되는지 여부를 출력해주는 신경망 모델로 QA(Question Answering) 모델로 지칭될 수도 있다.

일 실시 예로, 질의 응답 매칭 모델(4100)은 질의 텍스트 및 해당 질의 텍스트에 대응되는 응답 텍스트를 학습 데이터로, 입력된 질의 텍스트에 대응되는 응답 텍스트가 입력된 경우 입력된 질의 텍스트 및 응답 텍스트가 매칭된다는 정보를 출력 데이터로 설정하여 학습이 수행될 수 있다. 그리고, 입력된 질의 텍스트에 대응되지 않는 응답 텍스트가 입력된 경우, 입력된 질의 텍스트 및 응답 텍스트가 매칭되지 않는다는 정보를 출력 데이터로 설정하여 학습이 수행될 수 있다.

그리고, 본 개시에 따른 질의 응답 매칭 모델(4100)은 복수의 질의를 포함하는 질의 텍스트와 응답 텍스트가 함께 입력되어, 입력된 응답 텍스트가 입력된 질의 텍스트에 포함된 복수의 질의 각각에 대응되는 응답을 포함하는지 여부가 식별되도록 학습이 수행될 수 있다. 일 예로, 질의 응답 매칭 모델(4100)에 두 개의 질의를 포함하는 질의 텍스트와 하나의 응답을 포함하는 응답 텍스트가 입력되면, 입력된 질의 텍스트 및 응답 텍스트가 매칭되지 않는다는 정보가 출력될 수 있다.

질의 응답 매칭 모델(4100)을 통해 제1 질의 텍스트와 제2 응답 텍스트가 매칭되는 것으로 식별되면, 질의 응답 매칭 모듈(4000)은 Question DB에서 매칭되는 것으로 식별된 제1 및 제2 질의 텍스트 및 제2 응답 텍스트에 대한 정보를 삭제할 수 있다.

그리고, 질의 응답 매칭 모델(4100)을 통해 제1 질의 텍스트와 제2 응답 텍스트가 질의 응답 매칭 모델(4100)을 통해 매칭되지 않는 것으로 식별되면, 질의 응답 매칭 모듈(4000)은 제1 언어의 제1 질의 텍스트 및 제2 언어의 제2 질의 텍스트를 질의 재번역 모듈(5000)에 제공할 수 있다.

질의 재번역 모듈(5000)은 제1 질의 텍스트를 재번역하기 위한 구성이다.

질의 응답 매칭 모델(4100)을 통해 제1 질의 텍스트와 제2 응답 텍스트가 매칭되지 않는 것으로 식별되면, 질의 재번역 모듈(5000)은 제1 질의 텍스트를 재번역하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다.

제1 실시 예로, 질의 재번역 모듈(5000)은 제1 질의 텍스트가 두 개 이상의 질의를 포함하는 경우, 제1 질의 텍스트를 질의 개수에 대응되는 질의 텍스트로 구분한 제1 언어의 제4 질의 텍스트를 획득할 수 있다.

구체적으로, 질의 재번역 모듈(5000)은 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수를 식별할 수 있다. 일 실시 예로, 질의 재번역 모듈(5000)은 질의 텍스트의 질의 개수를 식별하기 위한 신경망 모델을 이용하여, 질의 텍스트의 질의 개수를 식별할 수 있다. 일 예로, 질의 텍스트의 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 텍스트로, 입력된 학습 텍스트의 질의 개수를 출력 텍스트로 설정하여 학습이 수행될 수 있다. 다만, 본 개시는 이에 한정되지 않고, 질의 텍스트의 질의 개수를 식별하기 위한 다양한 방법을 통해 질의 개수가 식별될 수 있다.

제1 질의 텍스트 및 제2 질의 텍스트의 개수가 동일한 것으로 식별되면, 질의 재번역 모듈(5000)은 후술할 의역 모델(5200) 및 제3 번역 모델(5300) 중 적어도 하나를 이용하여 제1 질의 텍스트를 재번역할 수 있다.

제1 질의 텍스트 및 제2 질의 텍스트의 개수가 동일하지 않은 것으로 식별되면, 질의 재번역 모듈(5000)은 제1 질의 텍스트를 문장 구분 모델(5100)에 입력하여 문장이 구분된 제4 질의 텍스트를 획득할 수 있다. 도 4, 도 5a 및 도 5b는 본 개시의 일 실시 예에 따른 문장 구분 모델(5100)을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.

도 4는 본 개시에 따른 제1 질의 텍스트와 제2 응답 텍스트가 매칭되는지 여부를 식별하는 실시 예를 도시한 도면이다.

도 4를 참조하면, 번역 모듈(2000)은 질의 획득 모듈(1000)을 통해 획득한 제1 언어의 “영화 해리포터와 책 해리포터 어때?”의 질의 텍스트를 제1 번역 모델(2100)에 입력하여 제2 언어의 “How about Harry Potter and the book Harry Potter?”의 질의 텍스트를 획득할 수 있다. 그리고, 번역 모듈(2000)은 응답 획득 모듈(3000)을 통해 획득한 제2 언어의 “The book is interesting”의 응답 텍스트를 제2 번역 모델(2200)에 입력하여 제1 언어의 “책 재미있어”의 응답 텍스트를 획득할 수 있다. 이러한 과정은 도 5b와 같이 디스플레이(130) 상에 표시될 수 있다.

그리고, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터와 책 해리포터 어때?”의 질의 텍스트 및 제1 언어의 “책 재미있어”의 응답 텍스트를 질의 응답 매칭 모델(4100)에 입력하여, 제1 언어의 질의 텍스트와 제1 언어의 응답 텍스트가 매칭되는지 여부를 식별할 수 있다.

“영화 해리포터와 책 해리포터 어때?”와 “책 재미있어”의 질의 응답은 매칭되지 않으므로, 질의 응답 매칭 모델(4100)은 입력된 제1 언어의 질의 텍스트와 제1 언어의 응답 텍스트가 매칭되지 않는 것으로 식별할 수 있다.

도 5a는 본 개시에 따른 문장 구분 모델을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.

도 4를 통해 제1 언어의 질의 텍스트와 제1 언어의 응답 텍스트가 매칭되지 않는 것으로 식별되면, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터와 책 해리포터 어때?”의 질의 텍스트를 문장 구분 모델(5100)에 입력하여 제1 언어의 “영화 해리포터 어때? 책 해리포터 어때?”의 질의 텍스트를 획득할 수 있다. 문장 구분 모델(5100)은 제1 언어의 질의 텍스트를 질의 개수에 대응되도록 문장 구분해주는 신경망 모델이다. 일 예로, 문장 구분 모델(5100)은 제1 언어의 학습 질의 텍스트 및 해당 학습 질의 텍스트의 질의 개수 정보를 입력 데이터로, 상기 학습 질의 텍스트의 질의 개수에 대응되도록 구분된 제1 언어의 학습 질의 텍스트를 출력 데이터로 설정하여 학습이 수행될 수 있다. 그리고, 문장 구분 모델(5100)은 제1 언어의 질의 텍스트 및 해당 질의 텍스트의 질의 개수 정보를 입력 받아, 제1 언어의 질의 텍스트를 질의 개수에 대응되도록 구분된 제1 언어의 질의 텍스트를 출력할 수 있다.

그리고, 문장 구분 모델(5100)을 통해 제1 언어의 “영화 해리포터 어때? 책 해리포터 어때?”의 질의 텍스트 획득되면, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터 어때? 책 해리포터 어때?”의 질의 텍스트를 제3 번역 모델(5300)에 입력하여 제2 언어의 “How about the movie Harry Potter? How about the book Harry Potter?” 의 질의 텍스트를 획득할 수 있다. 본 개시에 따른 제3 번역 모델(5300)은 제1 언어의 텍스트를 제2 언어의 텍스트로 번역하기 위한 신경망 모델이다. 일 실시 예로, 제3 번역 모델(5300)은 제1 번역 모델(2100)과 동일한 신경망 모델일 수 있다. 다만, 이에 한정되지 않고 제3 번역 모델(5300)은 제1 번역 모델(2100)과 상이한 신경망 모델로 구현될 수 있다.

도 5b는 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제공하는 방법을 도시한 도면이다.

도 5a와 같이, 제1 언어의 “영화 해리포터와 책 해리포터 어때?”의 질의 텍스트를 재번역하여 제2 언어의 “How about the movie Harry Potter? How about the book Harry Potter?” 의 질의 텍스트가 획득되면, 프로세서(150)는 획득된 질의 텍스트를 제공할 수 있다. 일 예로, 도 5b와 같이 프로세서(150)는 제1 언어의 “영화 해리포터와 책 해리포터 어때?” 텍스트와 제2 언어의 “How about the movie Harry Potter? How about the book Harry Potter?” 텍스트를 디스플레이(130) 상에 표시하도록 디스플레이(130)를 제어할 수 있다. 그리고, 프로세서(150)는 디스플레이(130) 상에 표시된 제1 언어의 “영화 해리포터와 책 해리포터 어때?” 텍스트와 제2 언어의 “How about the movie Harry Potter? How about the book Harry Potter?” 텍스트를 제1 응답 텍스트가 수신된 외부 장치로 전송하도록 통신 인터페이스(120)를 제어할 수 있다.

제2 실시 예로, 질의 재번역 모듈(5000)은 제1 질의 텍스트를 제3 번역 모델(5300)에 입력하여 제2 질의 텍스트와 상이한 제2 언어의 제3 질의 텍스트를 획득할 수 있다.

일 예로, 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수가 동일한 것으로 식별되면, 질의 재번역 모듈(5000)은 제1 질의 텍스트를 제3 번역 모델(5300)에 입력하여 기존에 획득한 제2 질의 텍스트와 상이한 제2 언어의 제3 질의 텍스트를 획득할 수 있다. 일 예로, 제3 질의 텍스트는 제1 질의 텍스트를 제3 번역 모델(5300)에 입력하여 출력될 수 있는 제2 질의 텍스트의 후순위 번역 결과일 수 있다. 도 6, 도 7a 및 도 7b는 본 개시의 일 실시 예에 따른 제3 번역 모델(5300)을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.

도 6는 본 개시에 따른 제1 질의 텍스트와 제2 응답 텍스트가 매칭되는지 여부를 식별하는 실시 예를 도시한 도면이다.

도 6를 참조하면, 번역 모듈(2000)은 질의 획득 모듈(1000)을 통해 획득한 제1 언어의 “영화 해리포터 어때?”의 질의 텍스트를 제1 번역 모델(2100)에 입력하여 제2 언어의 “Shall we go to see a Harry Potter?”의 질의 텍스트를 획득할 수 있다. 일 예로, 제2 언어의 “Shall we go to see a Harry Potter?”는 제1 언어의 “영화 해리포터 어때?”의 질의 텍스트를 제1 번역 모델(2100)에 입력하여 획득될 수 있는 최선순위 번역 결과일 수 있다. 즉, 제1 번역 모델(2100)은 제1 언어의 텍스트를 입력 받아, 제1 언어의 텍스트를 제2 언어로 번역한 복수의 후보군 텍스트를 생성할 수 있으며, 복수의 후보군 텍스트 중 최선순위 번역 결과에 대응되는 후보군 텍스트를 제1 언어의 텍스트에 대응되는 번역 결과로 출력할 수 있다.

그리고, 번역 모듈(2000)은 응답 획득 모듈(3000)을 통해 획득한 제2 언어의 “I've seen that movie”의 응답 텍스트를 제2 번역 모델(2200)에 입력하여 제1 언어의 “나 그 영화 봤어”의 응답 텍스트를 획득할 수 있다. 그리고, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터 어때”의 질의 텍스트 및 제1 언어의 “나 그 영화 봤어”의 응답 텍스트를 질의 응답 매칭 모델(4100)에 입력하여, 제1 언어의 질의 텍스트와 제1 언어의 응답 텍스트가 매칭되는지 여부를 식별할 수 있다.

일 실시 예로, “영화 해리포터 어때”의 질의 의도가 영화 해리포터에 대한 감상평을 질의하기 위한 경우, “영화 해리포터 어때”의 질의에 대한 “나 그 영화 봤어”의 응답은 매칭되지 않으므로, 질의 응답 매칭 모델(4100)은 입력된 제1 언어의 질의 텍스트와 제1 언어의 응답 텍스트가 매칭되지 않는 것으로 식별할 수 있다.

도 7a는 본 개시에 따른 제3 번역 모델을 이용하여 제2 질의 텍스트와 상이한 질의 텍스트를 제공하는 과정을 설명하기 위한 도면이다.

도 6을 통해 제1 언어의 질의 텍스트 “영화 해리포터 어때”와 제1 언어의 응답 텍스트 “나 그 영화 봤어”가 매칭되지 않는 것으로 식별되면, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터 어때”의 질의 텍스트를 제3 번역 모델(5300)에 입력하여 제1 언어의 “Shall we go to see a Harry Potter?” 텍스트와 제1 언어의 “How about the movie Harry Potter?” 텍스트를 획득할 수 있다. 다만, 이에 한정되지 않고, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터 어때”의 질의 텍스트와 제2 언어의 “Shall we go to see a Harry Potter?” 질의 텍스트의 질의 개수를 비교하여, 질의 개수가 동일한 경우, 제1 언어의 “영화 해리포터 어때”의 질의 텍스트를 제3 번역 모델(5300)에 입력하여 제1 언어의 “Shall we go to see a Harry Potter?” 텍스트와 제1 언어의 “How about the movie Harry Potter?” 텍스트를 획득할 수 있다.

일 예로, 제3 번역 모델(5300)이 제1 번역 모델(2100)과 동일한 신경망 모델로 구현되는 경우, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터 어때”에 대한 후순위 번역 결과인 제1 언어의 “How about the movie Harry Potter?” 텍스트를 제3 질의 텍스트로 식별할 수 있다.

일 예로, 제3 번역 모델(5300)이 제1 번역 모델(2100)과 상이한 신경망 모델로 구현되는 경우, 제1 언어의 “How about the movie Harry Potter?” 텍스트가 제3 번역 모델(5300)의 최선순위 번역 결과로 출력될 수 있으며, 이 경우, 질의 재번역 모듈(5000)은 제1 언어의 “How about the movie Harry Potter?” 텍스트를 제3 질의 텍스트로 식별할 수 있다.

도 7b는 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제공하는 방법을 도시한 도면이다.

도 7a와 같이, 제1 언어의 “영화 해리포터 어때?”의 질의 텍스트를 재번역하여 제2 언어의 “How about the movie Harry Potter?” 의 질의 텍스트가 획득되면, 프로세서(150)는 획득된 질의 텍스트를 제공할 수 있다. 일 예로, 도 7b와 같이 프로세서(150)는 제1 언어의 “영화 해리포터 어때?” 텍스트와 제2 언어의 “How about the movie Harry Potter?” 텍스트를 디스플레이(130) 상에 표시하도록 디스플레이(130)를 제어할 수 있다. 그리고, 프로세서(150)는 디스플레이(130) 상에 표시된 제1 언어의 “영화 해리포터 어때?” 텍스트와 제2 언어의 “How about the movie Harry Potter?” 텍스트를 제1 응답 텍스트가 수신된 외부 장치로 전송하도록 통신 인터페이스(120)를 제어할 수 있다.

제3 실시 예로, 질의 재번역 모듈(5000)은 제1 질의 텍스트를 의역 모델(5200)에 입력하여, 제1 질의 텍스트가 의역된 제1 언어의 제5 질의 텍스트를 획득할 수 있다.

일 예로, 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수가 동일한 것으로 식별되면, 질의 재번역 모듈(5000)은 제1 질의 텍스트를 의역 모델(5200)에 제1 질의 텍스트가 의역된 제1 언어의 제5 질의 텍스트를 획득할 수 있다. 그리고, 제5 질의 텍스트를 제3 번역 모델(5300)에 입력하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다. 도 6, 도 8a 및 도 8b는 본 개시의 일 실시 예에 따른 의역 모델(5200) 및 제3 번역 모델(5300)을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.

도 8a는 본 개시에 따른 의역 모델을 이용하여 제1 질의 텍스트를 재번역하는 과정을 설명하기 위한 도면이다.

도 6을 통해 제1 언어의 질의 텍스트 “영화 해리포터 어때”와 제1 언어의 응답 텍스트 “나 그 영화 봤어”가 매칭되지 않는 것으로 식별되면, 질의 재번역 모듈(5000)은 도 8a와 같이, 제1 언어의 “영화 해리포터 어때”의 질의 텍스트를 의역 모델(5200)에 입력하여, 제1 언어의 “영화 해리포터 어때” 텍스트가 의역된 제1 언어의 “영화 해리포터 어떻게 생각해?”의 질의 텍스트를 획득할 수 있다.

본 개시에 따른 의역 모델(5200)은 입력된 텍스트를 의역(paraphrasing)하여 제공하기 위한 신경망 모델이다. 구체적으로, 의역 모델(5200)은 제1 언어의 학습 텍스트를 입력 데이터로 설정하고, 입력된 학습 텍스트와 질의 의도가 동일한 제1 언어의 텍스트를 출력 텍스트로 설정하여 학습이 수행될 수 있다.

의역 모델(5200)을 통해 제1 언어의 “영화 해리포터 어때”의 텍스트가 의역된 제1 언어의 “영화 해리포터 어떻게 생각해?”의 질의 텍스트가 획득되면, 질의 재번역 모듈(5000)은 제1 언어의 “영화 해리포터 어떻게 생각해?” 질의 텍스트를 제3 번역 모델(5300)에 입력하여, 제2 언어의 “What do you think of the movie Harry Potter?”의 질의 텍스트를 획득할 수 있다.

도 8b는 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제공하는 방법을 도시한 도면이다.

도 8a와 같이, 제1 언어의 “영화 해리포터 어때”의 질의 텍스트를 재번역하여 제2 언어의 “What do you think of the movie Harry Potter?” 의 질의 텍스트가 획득되면, 프로세서(150)는 획득된 질의 텍스트를 제공할 수 있다. 일 예로, 도 8b와 같이 프로세서(150)는 제1 언어의 “영화 해리포터 어때” 텍스트와 제2 언어의 “What do you think of the movie Harry Potter?” 텍스트를 디스플레이(130) 상에 표시하도록 디스플레이(130)를 제어할 수 있다. 그리고, 프로세서(150)는 디스플레이(130) 상에 표시된 제1 언어의 “영화 해리포터 어때” 텍스트와 제2 언어의 “What do you think of the movie Harry Potter?” 텍스트를 제1 응답 텍스트가 수신된 외부 장치로 전송하도록 통신 인터페이스(120)를 제어할 수 있다.

상술한 실시 예에서는 질의 응답 매칭 모듈(4000)을 통해 제1 언어의 질의 텍스트와 제1 언어의 응답 텍스트가 매칭되지 않는 것으로 식별되면, 바로 질의 재번역 모델(5000)이 제1 언어의 질의 텍스트를 재번역하는 것으로 설명하였으나, 본 개시는 이에 한정되지 않는다.

일 예로, 제2 언어의 응답 텍스트가 외부 장치로부터 수신되고 제1 언어의 질의 텍스트와 제2 언어의 응답 텍스트가 번역된 제1 언어의 응답 텍스트가 매칭되지 않는 것으로 식별되면, 프로세서(150)는 디스플레이(130) 상에 제1 언어의 질의 텍스트에 대한 재번역을 수행할지 여부를 확인하기 위한 UI를 더 표시할 수 있다. 그리고, UI를 통해 제1 언어의 질의 텍스트에 대한 재번역을 수행하기 위한 사용자 입력이 수신되면, 프로세서(150)는 질의 응답 매칭 모듈(4000)을 통해 제1 언어의 질의 텍스트를 재번역할 수 있다.

일 예로, 제2 언어의 응답 텍스트가 외부 장치로부터 수신되고 제1 언어의 질의 텍스트와 제2 언어의 응답 텍스트가 번역된 제1 언어의 응답 텍스트가 매칭되지 않는 것으로 식별되면, 프로세서(150)는 디스플레이(130) 상에 제1 언어의 질의 텍스트에 대한 재번역을 수행하기 위한 아이콘을 더 표시할 수 있다. 그리고, 아이콘을 선택하는 사용자 입력이 수신되면, 프로세서(150)는 질의 응답 매칭 모듈(4000)을 통해 제1 언어의 질의 텍스트를 재번역할 수 있다.

상술한 실시 예들을 통해, 전자 장치(100)는 질의에 대한 응답이 매칭되는지 여부에 따라 질의 텍스트에 대한 재번역을 수행함으로, 번역의 정확도를 향상시킬 수 있다.

도 9a는 본 개시의 일 실시 예에 따른, 두 개의 질의를 포함하는 질의 텍스트에 대한 하나의 응답을 포함하는 응답 텍스트를 나타내는 도면이다.

도 9a를 참조하면, 전자 장치(100)는 본 개시의 실시 예들에 따라 제1 언어의 제1 질의 텍스트 “영화 해리포터와 책 해리포터 어때?”를 번역하여, 제2 언어의 제2 질의 텍스트 “How about Harry Potter and the book Harry Potter?“를 획득할 수 있다. 그리고, 전자 장치(100)는 “영화 해리포터와 책 해리포터 어때?” 텍스트 및 “How about Harry Potter and the book Harry Potter?“ 텍스트를 외부 장치로 전송할 수 있다.

그리고, 전자 장치(100)는 외부 장치로부터 제2 언어의 제1 응답 텍스트 “I like the book“ 및 제1 응답 텍스트가 번역된 제1 언어의 제2 응답 텍스트 “나 그 책 좋아해”를 수신할 수 있다. 다만, 본 개시는 이에 한정되지 않고, 외부 장치로부터 제2 언어의 제1 응답 텍스트 “I like the book“를 수신되면, 전자 장치(100)는 제1 응답 텍스트를 번역하여 제1 언어의 제2 응답 텍스트 “나 그 책 좋아해”를 획득할 수 있다.

그리고, 전자 장치(100)는 제1 질의 텍스트 “영화 해리포터와 책 해리포터 어때?” 및 제2 응답 텍스트 “나 그 책 좋아해”를 바탕으로, 질의 응답 매칭 여부를 식별할 수 있다. 식별 결과, 제1 질의 텍스트에 포함된 두 개의 질의에 대해 제2 응답 텍스트가 하나의 응답 만을 포함하고 있는 경우, 전자 장치(100)는 제1 질의 텍스트 및 제2 응답 텍스트가 매칭되지 않는 것으로 식별할 수 있다.

그리고, 제1 질의 텍스트 및 제2 응답 텍스트가 매칭되지 않는 것으로 식별되면, 전자 장치(100)는 제1 질의 텍스트를 재번역하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다.

도 9b는 본 개시의 일 실시 예에 따른, 응답 텍스트를 바탕으로 질의 텍스트에 대한 재번역을 수행하는 실시 예를 나타내는 도면이다.

제1 질의 텍스트 및 제2 응답 텍스트가 매칭되지 않는 것으로 식별되면, 전자 장치(100)는 도 9b와 같이 제1 질의 텍스트 “영화 해리포터와 책 해리포터 어때?”를 문장 구분 모델(5100)에 입력하여, 제1 언어의 “영화 해리포터 어때?” 및 “책 해리포터 어때”의 제4 질의 텍스트를 획득할 수 있다.

그리고, 제4 질의 텍스트 중 “책 해리포터 어때” 텍스트는 제2 응답 텍스트 “나 그 책 좋아해”와 질의 응답이 매칭되므로, 전자 장치(100)는 제4 질의 텍스트 중 “영화 해리포터 어때?” 텍스트 만을 번역하여, 제2 언어의 제3 질의 텍스트 “How about the movie Harry Potter?”를 획득할 수 있다. 그리고, 전자 장치(100)는 “영화 해리포터 어때?” 텍스트와 “How about the movie Harry Potter?” 텍스트를 제1 응답 텍스트가 수신된 외부 장치로 전송할 수 있다.

상술한 실시 예와 같이, 복수의 질의를 포함하는 질의 텍스트에 대해 하나의 응답 만을 포함하는 응답 텍스트가 제공되면, 전자 장치(100)는 복수의 질의 중 질의 응답이 매칭된 질의를 제외한 나머지 질의에 대응되는 제3 질의 텍스트를 생성하여 제공할 수 있다.

도 10은 본 개시의 일 실시 예에 따른, 전자 장치와 외부 장치간의 동작을 설명하기 위한 시퀀스도이다.

우선, 전자 장치(100)는 제1 언어의 제1 질의 텍스트를 획득할 수 있다(S1005). 그리고, 전자 장치(100)는 제1 질의 텍스트를 제2 언어로 번역하여 제2 언어의 제2 질의 텍스트를 획득할 수 있다(S1010).

제2 질의 텍스트가 획득되면, 전자 장치(100)는 외부 장치(200)로 제2 질의 텍스트를 전송할 수 있다. 다만, 이에 한정되지 않고, 전자 장치(100)는 제2 질의 텍스트를 제1 질의 텍스트와 함께 외부 장치(200)로 전송할 수 있다.

외부 장치(200)가 제2 질의 텍스트를 수신하면, 외부 장치(200)는 제2 언어의 제1 응답 텍스트를 획득할 수 있다(S1020). 그리고, 외부 장치(200)는 제1 응답 텍스트를 전자 장치(100)로 전송할 수 있다. 전자 장치(100)가 제1 응답 텍스트를 수신하면, 전자 장치(100)는 제1 응답 텍스트를 제1 언어로 번역하여 제1 언어의 제2 응답 텍스트를 획득할 수 있다(S1030). 다만, 이에 한정되지 않고, 외부 장치(200)가 제1 응답 텍스트를 제1 언어로 번역하여 제1 언어의 제2 응답 텍스트를 획득하고, 제1 응답 텍스트 및 제2 응답 텍스트를 전자 장치(100)로 전송할 수 있다.

제2 응답 텍스트가 획득되면, 전자 장치(100)는 질의 응답 매칭 모델(4100)에 제1 질의 텍스트 및 제2 응답 텍스트를 입력하여, 질의 응답 매칭 여부를 식별할 수 있다(S1035).

식별 결과, 매칭되는 것으로 식별되면(S1040-Y), 전자 장치(100)는 과정을 종료할 수 있다.

식별 결과, 매칭되지 않는 것으로 식별되면(S1040-N), 전자 장치(100)는 제1 질의 텍스트를 재번역하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다(S1045). 제2 언어의 제3 질의 텍스트를 획득하는 과정에 대해서는 도 11에서 상세히 설명하도록 한다.

그리고, 제3 질의 텍스트가 획득되면, 전자 장치(100)는 제3 질의 텍스트를 외부 장치(200)에 전송할 수 있다.

도 11은 본 개시의 일 실시 예에 따른, 제1 질의 텍스트를 재번역하여 제3 질의 텍스트를 획득하는 과정을 설명하기 위한 흐름도이다.

도 10에서, 전자 장치(100)는 질의 응답 매칭 모델(4100)에 제1 질의 텍스트 및 제2 응답 텍스트를 입력하여, 질의 응답 매칭 여부를 식별할 수 있다(S1035). 식별 결과, 매칭되지 않는 것으로 식별되면(S1040-N), 전자 장치(100)는 도 11의 과정을 통해 제2 언어의 제3 질의 텍스트를 획득할 수 있다.

구체적으로, 전자 장치(100)는 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수를 식별할 수 있다(S1105). 일 실시 예로, 전자 장치(100)는 질의 텍스트의 질의 개수를 식별하기 위한 신경망 모델을 이용하여, 질의 텍스트의 질의 개수를 식별할 수 있다. 일 예로, 질의 텍스트의 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 텍스트로, 입력된 학습 텍스트의 질의 개수를 출력 텍스트로 설정하여 학습이 수행될 수 있다. 다만, 본 개시는 이에 한정되지 않고, 질의 텍스트의 질의 개수를 식별하기 위한 다양한 방법을 통해 질의 개수가 식별될 수 있다.

제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수가 각각 식별되면, 전자 장치(100)는 제1 질의 텍스트 및 제2 질의 개수가 동일한지 여부를 식별할 수 있다(S1110).

제1 질의 텍스트 및 제2 질의 개수가 동일하지 않으면(S1100-N), 전자 장치(100)는 제1 질의 텍스트를 문장 구분 모델(5100)에 입력하여 문장이 구분된 제4 질의 텍스트를 획득할 수 있다(S1115). 그리고, 전자 장치(100)는 제4 질의 텍스트를 번역하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다(S1120). 일 예로, 전자 장치(100)는 제3 번역 모델(5300)을 이용하여, 제4 질의 텍스트를 번역하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다. 제3 질의 텍스트가 획득되면, 전자 장치(100)는 제3 질의 텍스트를 외부 장치로 전송할 수 있다(S1140).

제1 질의 텍스트 및 제2 질의 개수가 동일한 경우(S1100-Y), 전자 장치(100)는 제1 질의 텍스트에 대한 후순위 번역 결과를 제3 질의 텍스트로 식별할 수 있다(S1125). 즉, 제2 질의 텍스트는 제1 번역 모델(2100)의 제1 질의 텍스트에 대한 최선순위 번역 결과일 수 있으며, 제2 질의 텍스트에 대한 제1 번역 모델(2100)의 후순위 번역 결과를 제3 질의 텍스트로 식별할 수 있다. 일 실시 예로, 전자 장치(100)는 제1 번역 모델(2100)과 동일한 제3 번역 모델을 이용하여 제1 질의 텍스트에 대한 후순위 번역 결과를 제3 질의 텍스트로 식별할 수 있다. 다만 이에 한정되지 않고, 전자 장치(100)는 제1 번역 모델(2100)과 상이한 제3 번역 모델을 이용하여 제1 질의 텍스트를 번역한 최선순위 번역 결과를 제3 질의 텍스트로 식별할 수 있다. 제3 질의 텍스트가 획득되면, 전자 장치(100)는 제3 질의 텍스트를 외부 장치로 전송할 수 있다(S1140).

제1 질의 텍스트 및 제2 질의 개수가 동일한 경우(S1100-Y), 전자 장치(100)는 의역 모델(5200)에 제1 질의 텍스트를 입력하여 제1 언어의 제5 질의 텍스트를 획득할 수 있다(S1130). 그리고, 전자 장치(100)는 제5 질의 텍스트를 번역하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다(S1135). 구체적으로, 전자 장치(100)는 제5 질의 텍스트를 제3 번역 모델(5300)에 입력하여 획득될 수 있는 최선순위 결과를 제3 질의 텍스트로 식별할 수 있다. 제3 질의 텍스트가 획득되면, 전자 장치(100)는 제3 질의 텍스트를 외부 장치로 전송할 수 있다(S1140).

도 12는 본 개시의 일 실시 예에 따른, 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.

도 12를 참조하면, 전자 장치(100)는 제1 언어의 제1 질의 텍스트를 획득할 수 있다(S1210). 일 예로, 전자 장치(100)는 입력 인터페이스(110)를 통해 제1 언어의 제1 질의 텍스트를 획득할 수 있다.

제1 질의 텍스트가 획득되면, 전자 장치(100)는 제1 질의 텍스트를 제2 언어로 번역하여 제2 언어의 제2 질의 텍스트를 획득할 수 있다. 일 예로, 전자 장치(100)는 제1 언어를 제2 언어로 번역하기 위한 제1 번역 모델(2100)에 제1 질의 텍스트를 입력하여 제2 언어의 제2 질의 텍스트를 획득할 수 있으며, 제2 질의 텍스트는 상기 제1 번역 모델의 최선순위 번역 결과일 수 있다.

제2 질의 텍스트가 획득되면, 전자 장치(100)는 획득된 제2 질의 텍스트를 외부 장치로 전송할 수 있다(S1230). 그리고, 전자 장치(100)는 외부 장치로부터 제2 질의 텍스트에 대응되는 제2 언어의 제1 응답 텍스트를 획득할 수 있다(S1240).

제1 응답 텍스트가 획득되면, 전자 장치(100)는 질의 응답 매칭 여부를 식별하는 신경망 모델에 제1 응답 텍스트를 제1 언어로 번역한 제2 응답 텍스트와 제1 질의 텍스트를 입력하여, 제1 질의 텍스트와 제2 응답 텍스트의 질의 응답 매칭 여부를 식별할 수 있다(S1260). 질의 응답 매칭 여부를 식별하는 신경망 모델은 도 1의 질의 응답 매칭 모델(4100)로 구현될 수 있다.

그리고, 식별 결과 제1 질의 텍스트와 제2 응답 텍스트가 매칭되지 않는 것으로 식별되면, 전자 장치(100)는 제1 질의 텍스트를 재번역 하여 제2 언어의 제3 질의 텍스트를 획득할 수 있다.

제1 질의 텍스트와 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 전자 장치(100)는 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수를 각각 식별할 수 있다. 구체적으로, 전자 장치(100)는 질의 개수를 식별하기 위한 신경망 모델에 제1 질의 텍스트 및 제2 질의 텍스트 각각을 입력하여, 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별할 수 있다. 그리고, 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트의 질의 개수를 출력 데이터로 설정하여 학습될 수 있다.

제1 실시 예로, 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수가 상이한 경우, 전자 장치(100)는 제1 질의 개수에 대응되는 질의 개수를 바탕으로 제1 질의 텍스트를 구분한 제1 언어의 제4 질의 텍스트를 획득하고, 제4 질의 텍스트를 제2 언어로 번역하여, 제3 질의 텍스트를 획득할 수 있다. 구체적으로, 전자 장치(100)는 질의 텍스트를 질의 개수에 대응되도록 문장을 구분하는 문장 구분 모델에 제1 질의 텍스트를 입력하여, 제1 언어의 제4 질의 텍스트를 획득할 수 있다. 일 예로, 문장 구분 모델은 제1 언어의 학습 질의 텍스트 및 해당 학습 질의 텍스트의 질의 개수 정보를 입력 데이터로, 학습 질의 텍스트의 질의 개수에 대응되도록 구분된 제1 언어의 학습 질의 텍스트를 출력 데이터로 설정하여 학습될 수 있다.

제2 실시 예로, 제1 질의 텍스트 및 제2 질의 텍스트의 질의 개수가 동일한 경우, 전자 장치(100)는 제1 질의 텍스트를 제2 언어로 번역하여 제2 질의 텍스트와 상이한 제2 언어의 제3 질의 텍스트를 획득할 수 있으며, 제3 질의 텍스트는 제2 질의 텍스트의 후순위 번역 결과일 수 있다. 구체적으로, 제2 질의 텍스트는 제1 번역 모델의 최선순위 번역 결과이며, 제3 질의 텍스트는 제1 번역 모델의 후순위 번역 결과일 수 있다.

제3 실시 예로, 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 전자 장치(100)는 질의 텍스트를 재생성하기 위한 의역 모델(5200)에 제1 질의 텍스트를 입력하여 제1 질의 텍스트를 의역한 제1 언어의 제5 질의 텍스트를 획득할 수 있다. 그리고, 전자 장치(100)는 제5 질의 텍스트를 제2 언어로 번역한 제3 질의 텍스트를 획득할 수 있다. 일 예로, 의역 모델은 제1 언어의 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트와 질의 의도가 동일한 제1 언어의 텍스트를 출력 텍스트로 설정하여 학습이 수행될 수 있다.

그리고, 일 실시 예로, 전자 장치(100)는 제1 질의 텍스트 및 제2 질의 텍스트를 디스플레이(130) 상에 표시할 수 있다. 그리고, 외부 장치로부터 제1 응답 텍스트가 획득되면, 전자 장치(100)는 디스플레이(130) 상에 제1 응답 텍스트 및 제2 응답 텍스트를 표시할 수 있다. 그리고, 제3 질의 텍스트가 획득되면, 전자 장치(100)는 디스플레이(130) 상에 제3 질의 텍스트를 표시할 수 있다.

본 실시 예들은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하였다. 그러나 이는 특정한 실시 형태에 대해 범위를 한정하려는 것이 아니며, 본 개시의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.

본 개시를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다.

덧붙여, 상술한 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 하기 실시 예에 한정되는 것은 아니다. 오히려, 이들 실시 예는 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 개시의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.

본 개시에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 권리범위를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 개시에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.

본 개시에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.

본 개시에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.

어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다.

반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.

본 개시에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다.

대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.

실시 예에 있어서 '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '모듈' 혹은 복수의 '부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

한편, 도면에서의 다양한 요소와 영역은 개략적으로 그려진 것이다. 따라서, 본 발명의 기술적 사상은 첨부한 도면에 그려진 상대적인 크기나 간격에 의해 제한되지 않는다.

한편, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합된 것을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 하드웨어적인 구현에 의하면, 본 개시에서 설명되는 실시 예들은 ASICs(Application Specific Integrated Circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다.

한편, 상술한 본 개시의 다양한 실시 예들에 따른 방법은 비일시적 판독 가능 매체(non-transitory readable medium)에 저장될 수 있다. 이러한 비일시적 판독 가능 매체는 다양한 장치에 탑재되어 사용될 수 있다.

비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 방법을 수행하기 위한 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.

일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어^TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시가 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.

110: 입력 인터페이스 120: 통신 인터페이스
130: 디스플레이 140: 메모리
150: 프로세서

Claims (18)

1. 전자 장치의 제어 방법에 있어서,
   제1 언어의 제1 질의 텍스트가 획득되면, 상기 제1 질의 텍스트를 제2 언어로 번역하여 상기 제2 언어의 제2 질의 텍스트를 획득하는 단계;
   상기 획득된 제2 질의 텍스트를 외부 장치로 전송하는 단계;
   상기 외부 장치로부터 상기 제2 질의 텍스트에 대응되는 상기 제2 언어의 제1 응답 텍스트를 획득하는 단계;
   질의 응답 매칭 여부를 식별하는 신경망 모델에 상기 제1 응답 텍스트를 상기 제1 언어로 번역한 제2 응답 텍스트와 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트와 상기 제2 응답 텍스트의 질의 응답 매칭 여부를 식별하는 단계; 및
   상기 식별 결과 상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트를 재번역하여 상기 제2 언어의 제3 질의 텍스트를 획득하는 단계;를 포함하는 제어 방법.
   
2. 제1항에 있어서,
   상기 제3 질의 텍스트를 획득하는 단계는,
   상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하는 단계;
   상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 상이한 경우, 상기 제1 질의 개수에 대응되는 질의 개수를 바탕으로 상기 제1 질의 텍스트를 구분한 상기 제1 언어의 제4 질의 텍스트를 획득하는 단계; 및
   상기 제4 질의 텍스트를 상기 제2 언어로 번역하여, 상기 제3 질의 텍스트를 획득하는 단계;를 포함하는 제어 방법.
   
3. 제2항에 있어서,
   상기 질의 개수를 각각 식별하는 단계는,
   질의 개수를 식별하기 위한 신경망 모델에 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트 각각을 입력하여, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하는 단계이며,
   상기 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트의 질의 개수를 출력 데이터로 설정하여 학습되는 것을 특징으로 하는 제어 방법.
   
4. 제2항에 있어서,
   상기 제1 질의 텍스트를 구분한 상기 제1 언어의 제4 질의 텍스트를 획득하는 단계는,
   질의 텍스트를 질의 개수에 대응되도록 문장을 구분하는 문장 구분 모델에 상기 제1 질의 텍스트를 입력하여, 상기 제1 언어의 제4 질의 텍스트를 획득하는 단계이며,
   상기 문장 구분 모델은 제1 언어의 학습 질의 텍스트 및 해당 학습 질의 텍스트의 질의 개수 정보를 입력 데이터로, 상기 학습 질의 텍스트의 질의 개수에 대응되도록 구분된 제1 언어의 학습 질의 텍스트를 출력 데이터로 설정하여 학습되는 것을 특징으로 하는 제어 방법.
   
5. 제2항에 있어서,
   상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 상기 제1 질의 텍스트를 상기 제2 언어로 번역하여 상기 제2 질의 텍스트와 상이한 상기 제2 언어의 제3 질의 텍스트를 획득하는 단계;를 더 포함하며,
   상기 제3 질의 텍스트는 상기 제2 질의 텍스트의 후순위 번역 결과인 제어 방법.
   
6. 제5항에 있어서,
   상기 제2 언어의 제2 질의 텍스트를 획득하는 단계는
   제1 언어를 제2 언어로 번역하기 위한 제1 번역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제2 언어의 제2 질의 텍스트를 획득하는 단계이며,
   상기 제2 질의 텍스트는 상기 제1 번역 모델의 최선순위 번역 결과이며, 상기 제3 질의 텍스트는 상기 제1 번역 모델의 후순위 번역 결과인 것을 특징으로 하는 제어 방법.
   
7. 제2항에 있어서,
   상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 질의 텍스트를 재생성하기 위한 의역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트를 의역한 상기 제1 언어의 제5 질의 텍스트를 획득하는 단계; 및
   상기 제5 질의 텍스트를 상기 제2 언어로 번역한 상기 제3 질의 텍스트를 획득하는 단계;를 더 포함하는 제어 방법.
   
8. 제7항에 있어서,
   상기 의역 모델은 제1 언어의 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트와 질의 의도가 동일한 제1 언어의 텍스트를 출력 텍스트로 설정하여 학습이 수행되는 것을 특징으로 하는 제어 방법.
   
9. 제1항에 있어서,
   상기 외부 장치로 전송하는 단계는,
   상기 제1 질의 텍스트 및 상기 제2 질의 텍스트를 디스플레이 상에 표시하는 단계;를 더 포함하며,
   상기 제1 응답 텍스트를 획득하는 단계는,
   상기 외부 장치로부터 상기 제1 응답 텍스트가 획득되면, 상기 디스플레이 상에 상기 제1 응답 텍스트 및 상기 제2 응답 텍스트를 표시하는 단계;를 더 포함하며,
   상기 제2 언어의 제3 질의 텍스트를 획득하는 단계는,
   상기 제3 질의 텍스트를 디스플레이 상에 표시하는 단계;를 더 포함하는 제어 방법.
   
10. 전자 장치에 있어서,
    통신 인터페이스;
    적어도 하나의 인스트럭션을 저장하는 메모리; 및
    상기 메모리에 저장된 적어도 하나의 인스트럭션을 실행하여 상기 전자 장치를 제어하는 프로세서;를 포함하고,
    상기 프로세서는,
    제1 언어의 제1 질의 텍스트가 획득되면, 상기 제1 질의 텍스트를 제2 언어로 번역하여 상기 제2 언어의 제2 질의 텍스트를 획득하고,
    상기 획득된 제2 질의 텍스트를 외부 장치로 전송하도록 상기 통신 인터페이스를 제어하고,
    상기 외부 장치로부터 상기 제2 질의 텍스트에 대응되는 상기 제2 언어의 제1 응답 텍스트를 수신하도록 상기 통신 인터페이스를 제어하고,
    질의 응답 매칭 여부를 식별하는 신경망 모델에 상기 제1 응답 텍스트를 상기 제1 언어로 번역한 제2 응답 텍스트와 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트와 상기 제2 응답 텍스트의 질의 응답 매칭 여부를 식별하고,
    상기 식별 결과 상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트를 재번역하여 상기 제2 언어의 제3 질의 텍스트를 획득하는 전자 장치.
    
11. 제10항에 있어서,
    상기 프로세서는,
    상기 제1 질의 텍스트와 상기 제2 응답 텍스트가 매칭되지 않은 것으로 식별되면, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하고,
    상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 상이한 경우, 상기 제1 질의 개수에 대응되는 질의 개수를 바탕으로 상기 제1 질의 텍스트를 구분한 상기 제1 언어의 제4 질의 텍스트를 획득하고,
    상기 제4 질의 텍스트를 상기 제2 언어로 번역하여, 상기 제3 질의 텍스트를 획득하는 전자 장치.
    
12. 제11항에 있어서,
    상기 프로세서는,
    질의 개수를 식별하기 위한 신경망 모델에 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트 각각을 입력하여, 상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수를 각각 식별하고,
    상기 질의 개수를 식별하기 위한 신경망 모델은 복수의 질의를 포함하는 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트의 질의 개수를 출력 데이터로 설정하여 학습되는 것을 특징으로 하는 전자 장치.
    
13. 제11항에 있어서,
    상기 프로세서는,
    질의 텍스트를 질의 개수에 대응되도록 문장을 구분하는 문장 구분 모델에 상기 제1 질의 텍스트를 입력하여, 상기 제1 언어의 제4 질의 텍스트를 획득하고,
    상기 문장 구분 모델은 제1 언어의 학습 질의 텍스트 및 해당 학습 질의 텍스트의 질의 개수 정보를 입력 데이터로, 상기 학습 질의 텍스트의 질의 개수에 대응되도록 구분된 제1 언어의 학습 질의 텍스트를 출력 데이터로 설정하여 학습되는 것을 특징으로 하는 전자 장치.
    
14. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 상기 제1 질의 텍스트를 상기 제2 언어로 번역하여 상기 제2 질의 텍스트와 상이한 상기 제2 언어의 제3 질의 텍스트를 획득하고,
    상기 제3 질의 텍스트는 상기 제2 질의 텍스트의 후순위 번역 결과인 전자 장치.
    
15. 제14항에 있어서,
    상기 프로세서는,
    제1 언어를 제2 언어로 번역하기 위한 제1 번역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제2 언어의 제2 질의 텍스트를 획득하고,
    상기 제2 질의 텍스트는 상기 제1 번역 모델의 최선순위 번역 결과이며, 상기 제3 질의 텍스트는 상기 제1 번역 모델의 후순위 번역 결과인 것을 특징으로 하는 전자 장치.
    
16. 제11항에 있어서,
    상기 프로세서는,
    상기 제1 질의 텍스트 및 상기 제2 질의 텍스트의 질의 개수가 동일한 경우, 질의 텍스트를 재생성하기 위한 의역 모델에 상기 제1 질의 텍스트를 입력하여 상기 제1 질의 텍스트를 의역한 상기 제1 언어의 제5 질의 텍스트를 획득하고,
    상기 제5 질의 텍스트를 상기 제2 언어로 번역한 상기 제3 질의 텍스트를 획득하는 전자 장치.
    
17. 제16항에 있어서,
    상기 의역 모델은 제1 언어의 학습 텍스트를 입력 데이터로, 입력된 학습 텍스트와 질의 의도가 동일한 제1 언어의 텍스트를 출력 텍스트로 설정하여 학습이 수행되는 것을 특징으로 하는 전자 장치.
    
18. 제10항에 있어서,
    디스플레이;를 더 포함하며,
    상기 프로세서는,
    상기 제1 질의 텍스트 및 상기 제2 질의 텍스트를 디스플레이 상에 표시하도록 상기 디스플레이를 제어하고,
    상기 외부 장치로부터 상기 제1 응답 텍스트가 획득되면, 상기 제1 응답 텍스트 및 상기 제2 응답 텍스트를 상기 디스플레이 상에 표시하도록 상기 디스플레이를 제어하고,
    상기 제3 질의 텍스트가 획득되면, 상기 제3 질의 텍스트를 디스플레이 상에 표시하도록 상기 디스플레이를 제어하는 전자 장치.
    

Images